研究论文提出TNCS代码模型后门攻击样本选择方法
热点事件持续更新
研究论文提出TNCS代码模型后门攻击样本选择方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
论文作者发布论文，提出触发词中和反事实评分（TNCS）方法，为预训练代码模型的后门投毒选择样本。该方法通过对比触发输入与中和触发词的反事实输入的输出差异打分，适用于分类和生成任务。 据论文所述，在三个CodeXGLUE任务、五类触发词家族上，TNCS在极低投毒比例下攻击成功率高于基线，且不损害干净任务性能；论文还称其是对所有触发词家族都有效的方法，选出的投毒集可迁移到不匹配的受害模型。
AI 根据报道生成 · 2 小时前更新
最新进展10月26日 12:00
TNCS：一种面向代码模型的数据高效后门攻击触发词中和反事实评分方法报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.AITNCS：一种面向代码模型的数据高效后门攻击触发词中和反事实评分方法
研究者提出触发词中和反事实评分（TNCS），通过对比触发输入与中和触发词的反事实输入的输出差异，为代码模型后门投毒选样打分，同时适用于分类和生成任务。在三个 CodeXGLUE 任务、五类触发词家族上，TNCS 在极低投毒比例下攻击成功率高于基线，且不损害干净任务性能，是唯一对所有触发词家族有效的方法，其选出的投毒集还可迁移到不匹配的受害模型。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。